JP2004234470A

JP2004234470A - Demand prediction method and demand prediction program

Info

Publication number: JP2004234470A
Application number: JP2003024053A
Authority: JP
Inventors: Takenori Oku; 武憲奥; Motohisa Hirono; 廣野　　元久
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 2003-01-31
Filing date: 2003-01-31
Publication date: 2004-08-19
Anticipated expiration: 2023-01-31
Also published as: JP4226349B2

Abstract

<P>PROBLEM TO BE SOLVED: To provide a demand prediction method and a demand prediction program capable of properly predicting a demand for a commodity. <P>SOLUTION: A management computer 21 performs period determination for distributing processing according to an order acceptance result period for service parts. If the order acceptance result period is 18 months or more, the management computer 21 performs peak determination processing by using principal component analysis. If passage of the peak is determined, the management computer 21 performs fluidity determination determining whether a fluidity level of the order acceptance for the service parts is high or low. If the fluidity level is high, the management computer 21 performs fitting by using a Weibull growth model to an accumulation amount transition of the calculated order acceptance. Then, the management computer 21 computes a trend curve by using the fitted Weibull growth model. Using the trend curve, a demand is predicted. <P>COPYRIGHT: (C)2004,JPO&NCIPI

Description

【０００１】
【発明の属する技術分野】
本発明は、商品の需要予測方法及び需要予測プログラムに係り、詳しくは製品の信頼性に関する商品の需要予測に関する。
【０００２】
【従来の技術】
顧客に商品を提供する場合、適切な商品在庫の管理が必要である。この商品には完成品のみならず、完成品等に用いられる消耗品や故障による交換部品等も含まれる。そして、的確な在庫管理を行なうことにより、余剰在庫による在庫損失や、在庫品の不足による機会損失を抑制することが可能である。
【０００３】
このような在庫管理を行なうためには、正確な需要予測が必要である。このような需要予測においては、例えば重回帰分析が利用されている。この重回帰分析では過去の実績を分析して予測式を作成する。しかし、一度作成した予測式を継続して使用すると、予測値と実績値との誤差が大きくなる場合がある。そこで、短期間ごとに実績に基づいて予測式を作成し直すことも考えられるが、予測式を作成するための負荷が大きくなる。
【０００４】
このため、変動要因を考慮して商品分類別の販売予測を行なう販売予測方法が提案されている（例えば、特許文献１参照。）。この販売予測方法では、まず、販売数量を予測する商品の所定期間の販売実績を平均して移動平均値を算出する。そして、販売予測日の販売数量に影響を与えると考えられる変動要因から、商品の販売数量の変動予測数量を算出する。さらに、移動平均値を前記変動予測数量に基づいて補正して第１販売予測数量を算出する。これにより、販売予測日直前の所定期間の販売実績を販売予測に反映させることができ、予測値の追従性を向上させることができる。
【０００５】
また、経済学の分野で使用されてきた数値解析的手法である成長モデルを用いて需要予測を行なうこともある。通常、製品の需要は、最初少しずつ売れ始め、その後、急激な伸びを示し、市場を一巡すると売れなくなり、最終的には生産打切りとなる。この場合、単位時間あたりの需要量の累積推移を計算すると、正規分布等の確率密度関数の累積分布に近似する。このため、所定の分布の累積関数（成長モデル）を用いて、その成長度を予測することもある。この成長モデルに利用されている分布として、ロジスティック分布、ゴンペルツ分布があり、両者は広い分野で活用されている。
【０００６】
【特許文献１】
特開２０００−３３９５４３号公報（第１頁）
【０００７】
【発明が解決しようとする課題】
ところが、移動平均値による需要予測は、時間ずれ（タイムラグ）があるため予測誤差が大きく、安全在庫を多めに準備しておく必要があった。また、ロジスティック分布やゴンペルツ分布では、特定の商品の需要予測を的確に行なうことが困難であった。
【０００８】
また、信頼性工学の分野において製品寿命を推定する際には、ワイブル分布が広く用いられるが、通常、成長モデルには利用されない。
本発明は、商品に需要予測を的確に行なうことができる需要予測方法及び需要予測プログラムを提供することにある。
【０００９】
【課題を解決するための手段】
上記問題点を解決するために、請求項１に記載の発明は、商品の提供量についての実績推移に関するデータを記録した実績データ記憶手段と管理コンピュータとを用いて、前記商品の需要を予測する需要予測方法であって、前記管理コンピュータが、前記実績データ記憶手段に記録された実績推移に基づいて、前記商品の提供量の累積推移を算出する段階と、前記累積推移に対してワイブル分布の累積分布を適用して累積予測関数を算出する段階と、前記累積予測関数を用いて前記商品の需要を予測する段階とを有することを要旨とする。
【００１０】
請求項２に記載の発明は、請求項１に記載の需要予測方法において、前記商品は、製品の機能を維持するためのサービスパーツであることを要旨とする。
請求項３に記載の発明は、請求項１又は２に記載の需要予測方法において、前記需要予測方法は、前記管理コンピュータが、前記商品の属性に基づいて需要予測の可否判定を行なう段階をさらに有することを要旨とする。
【００１１】
請求項４に記載の発明は、請求項３に記載の需要予測方法において、前記需要予測の可否判定は、前記商品の実績推移が記録された期間に基づいて行なう期間判定を含むことを要旨とする。
【００１２】
請求項５に記載の発明は、請求項３又は４に記載の需要予測方法において、前記需要予測の可否判定は、前記商品の提供量に基づいて行なう流動性判定を含むことを要旨とする。
【００１３】
請求項６に記載の発明は、請求項３〜５のいずれか１項に記載の需要予測方法において、前記需要予測の可否判定は、前記商品の提供量の実績推移についてピークの有無を判定するピーク判定を含むことを要旨とする。
【００１４】
請求項７に記載の発明は、請求項６に記載の需要予測方法において、前記ピーク判定は、前記実績推移に対して、所定の因子負荷量を乗算して算出した主成分を用いて行なうことを要旨とする。
【００１５】
請求項８に記載の発明は、請求項７に記載の需要予測方法において、前記因子負荷量は、前記実績推移の増減傾向を判定するための第１の因子負荷量と、前記実績推移の凹凸型傾向を判定するための第２の因子負荷量とから構成され、前記ピーク判定は、前記第１の因子負荷量を用いて算出した第１主成分と、前記第２の因子負荷量を用いて算出した第２主成分とを用いて行なうことを要旨とする。
【００１６】
請求項９に記載の発明は、請求項７又は８に記載の需要予測方法において、前記ピーク判定は所定長さのピーク判定基準期間の実績推移に対して行なわれ、前記実績推移に関する提供期間が前記ピーク判定基準期間より長い場合には、前記ピーク判定を、最近の実績から、前記ピーク判定基準期間前までの推移に対して行なうことを要旨とする。
【００１７】
請求項１０に記載の発明は、請求項７又は８に記載の需要予測方法において、前記ピーク判定は所定のピーク判定基準期間の実績推移に対して行なわれ、前記実績推移に関する提供期間が前記ピーク判定基準期間より短い場合には、前記需要予測方法は、前記管理コンピュータが、前記提供期間の実績推移を前記ピーク判定基準期間の長さに引き伸ばした拡張推移を生成し、前記拡張推移に対して前記ピーク判定を行なう段階をさらに有することを要旨とする。
【００１８】
請求項１１に記載の発明は、商品の提供量についての実績推移に関するデータを記録した実績データ記憶手段と管理コンピュータとを用いて、前記商品の需要を予測する需要予測プログラムであって、前記管理コンピュータを、前記実績データ記憶手段に記録された実績推移に基づいて、前記商品の提供量の累積推移を算出する手段と、前記累積推移に対してワイブル分布の累積分布を適用して累積予測関数を算出する手段と、前記累積予測関数を用いて前記商品の需要を予測する手段として機能させることを要旨とする。
【００１９】
請求項１２に記載の発明は、請求項１１に記載の需要予測プログラムにおいて、前記商品は、製品の機能を維持するためのサービスパーツであることを要旨とする。
【００２０】
請求項１３に記載の発明は、請求項１１又は１２に記載の需要予測プログラムにおいて、前記需要予測プログラムは、前記管理コンピュータを、前記商品の属性に基づいて需要予測の可否判定を行なう手段としてさらに機能させることを要旨とする。
【００２１】
請求項１４に記載の発明は、請求項１３に記載の需要予測プログラムにおいて、前記需要予測の可否判定は、前記商品の実績推移が記録された期間に基づいて行なう期間判定を含むことを要旨とする。
【００２２】
請求項１５に記載の発明は、請求項１３又は１４に記載の需要予測プログラムにおいて、前記需要予測の可否判定は、前記商品の提供量に基づいて行なう流動性判定を含むことを要旨とする。
【００２３】
請求項１６に記載の発明は、請求項１３〜１５のいずれか１項に記載の需要予測プログラムにおいて、前記需要予測の可否判定は、前記商品の提供量の実績推移についてピークの有無を判定するピーク判定を含むことを要旨とする。
【００２４】
請求項１７に記載の発明は、請求項１６に記載の需要予測プログラムにおいて、前記ピーク判定は、前記実績推移に対して、所定の因子負荷量を乗算して算出した主成分を用いて行なうことを要旨とする。
【００２５】
請求項１８に記載の発明は、請求項１７に記載の需要予測プログラムにおいて、前記因子負荷量は、前記実績推移の増減傾向を判定するための第１の因子負荷量と、前記実績推移の凹凸型傾向を判定するための第２の因子負荷量とから構成され、前記ピーク判定は、前記第１の因子負荷量を用いて算出した第１主成分と、前記第２の因子負荷量を用いて算出した第２主成分とを用いて行なうことを要旨とする。
【００２６】
請求項１９に記載の発明は、請求項１７又は１８に記載の需要予測プログラムにおいて、前記ピーク判定は所定長さのピーク判定基準期間の実績推移に対して行なわれ、前記実績推移に関する提供期間が前記ピーク判定基準期間より長い場合には、前記ピーク判定を、最近の実績から、前記ピーク判定基準期間前までの推移に対して行なうことを要旨とする。
【００２７】
請求項２０に記載の発明は、請求項１７又は１８に記載の需要予測プログラムにおいて、前記ピーク判定は所定のピーク判定基準期間の実績推移に対して行なわれ、前記実績推移に関する提供期間が前記ピーク判定基準期間より短い場合には、前記需要予測方法は、前記管理コンピュータを、前記提供期間の実績推移を前記ピーク判定基準期間の長さに引き伸ばした拡張推移を生成し、前記拡張推移に対して前記ピーク判定を行なう手段としてさらに機能させることを要旨とする。
【００２８】
（作用）
請求項１又は１１に記載の発明によれば、管理コンピュータが、実績データ記憶手段に記録された実績推移に基づいて、商品の提供量の累積推移を算出する。次に、前記累積推移に対してワイブル分布の累積分布を適用して累積予測関数を算出する。そして、前記累積予測関数を用いて前記商品の需要を予測する。このため、ワイブル分布の累積分布を用いて累積推移を予測できる。従って、商品について的確な需要予測を行なうことができる。
【００２９】
請求項２又は１２に記載の発明によれば、前記商品は、製品の機能を維持するためのサービスパーツである。ワイブル分布は信頼性工学の分野で製品寿命を推定する際に広く用いられる分布である。このため、製品の寿命・故障率等の製品の信頼性に関わるサービスパーツの需要を、より的確に予測することができる。
【００３０】
請求項３又は１３に記載の発明によれば、前記管理コンピュータが、前記商品の属性に基づいて需要予測の可否判定を行なう。需要は商品の属性によって異なるものである。このため、商品の属性に応じて、ワイブル分布の適用可否を適切に判定できる。従って、より的確に需要を予測することができる。
【００３１】
請求項４又は１４に記載の発明によれば、前記需要予測の可否判定は、前記商品の実績推移が記録された期間に基づいて行なう期間判定を含む。成長モデルは、過去の実績から将来の需要を予測する手法であるため、所定の受注実績期間が必要である。このため、実績推移が記録された期間の長さに応じて、より的確な需要予測を行なうことができる。
【００３２】
請求項５又は１５に記載の発明によれば、前記需要予測の可否判定は、前記商品の提供量に基づいて行なう流動性判定を含む。流動レベルが低い場合、提供量が不安定で変動バラツキも大きくなり、誤った需要予測を行なう場合がある。このため、流動レベルの安定した商品に対してワイブル分布を適用して、適切な需要予測を行なうことができる。
【００３３】
請求項６又は１６に記載の発明によれば、前記需要予測の可否判定は、前記商品の提供量の実績推移についてピークの有無を判定するピーク判定を含む。提供量のピークを経過していない場合、累積量の上限値の予測が困難で予測誤差が大きくなる。このため、ピーク経過により累積上限値の特定可能な商品についてワイブル分布を適用して需要予測を行なうことができる。
【００３４】
請求項７又は１７に記載の発明によれば、前記ピーク判定は、前記実績推移に対して、所定の因子負荷量を乗算して算出した主成分を用いるピーク判定を用いて行なう。このため、主成分分析を用いて効率的にピーク判定を行なうことができる。
【００３５】
請求項８又は１８に記載の発明によれば、前記因子負荷量は、前記実績推移の増減傾向を判定するための第１の因子負荷量と、前記実績推移の凹凸型傾向を判定するための第２の因子負荷量とから構成される。そして、前記ピーク判定は、前記第１の因子負荷量を用いて算出した第１主成分と、前記第２の因子負荷量を用いて算出した第２主成分とを用いて行なう。このため、第１の因子負荷量によって減少傾向を把握できれば、効率的にピークの有無に関するピーク判定を行なうことができる。また、ピークを有する推移は第２の因子負荷量によって特定できる。
【００３６】
請求項９又は１９に記載の発明によれば、前記ピーク判定は所定長さのピーク判定基準期間の実績推移に対して行なわれる。そして、前記実績推移に関する提供期間が前記ピーク判定基準期間より長い場合には、前記ピーク判定を、最近の実績から、前記ピーク判定基準期間前までの推移に対して行なう。すべての提供期間の実績推移を用いることなく、同じ因子負荷量を用いての主成分分析により、効率的にピーク判定を実行できる。
【００３７】
請求項１０又は２０に記載の発明によれば、前記ピーク判定は所定のピーク判定基準期間の実績推移に対して行なわれる。そして、前記実績推移に関する提供期間が前記ピーク判定基準期間より短い場合には、前記管理コンピュータが、前記提供期間の実績推移を前記ピーク判定基準期間の長さに引き伸ばした拡張推移を生成し、前記拡張推移に対して前記ピーク判定を行なう。このため、提供期間がピーク判定基準期間より短い場合においても、同じ因子負荷量を用いて主成分分析を行なうことができる。
【００３８】
【発明の実施の形態】
以下、本発明を具体化した需要予測処理の一実施形態を図１〜図１７にしたがって説明する。本実施形態では、後述する所定条件の下にワイブル成長モデルを適用して、商品としてのサービスパーツの需要予測を行なう。具体的には、顧客に提供した製品のサービスパーツの受注実績に基づいて、サービスパーツの需要予測を行なう場合に用いる需要予測方法及び需要予測プログラムとして説明する。ここで、サービスパーツとは、消耗や故障等においてサービスを伴って交換を行なうパーツを意味する。このパーツは製品の機能を維持するための最小単位であり、サービスパーツは部品のみならず、パーツを組み合わせたユニットをも含む。
【００３９】
本実施形態では、図１に示すように、受注システム１０を用いて受注実績が入力される。さらに、この受注システム１０に出力される需要予測に基づいて発注指示が行なわれる。この受注システム１０はサービスパーツを管理するサービスパーツ管理部門に設置され、販売拠点やサービス拠点等での受注実績が入力され、生産部門や購買部門等に対する発注指示を出力する。
【００４０】
受注システム１０は、ネットワークＮを介してデータを送信する機能や、受信したデータを表示する機能等を有するコンピュータ端末である。この受注システム１０は、図示しないＣＰＵ、ＲＡＭ、ＲＯＭの他、キーボード、マウス等の入力手段、ディスプレイ等の出力手段、通信インターフェイス等の通信手段等を有する。
【００４１】
また、受注システム１０は、図１に示すように、ネットワークＮを介して需要予測システム２０に接続されている。需要予測システム２０は、需要予測に関する各種データ処理を行なうコンピュータシステムである。この需要予測システム２０は、管理コンピュータ２１を備えている。
【００４２】
この管理コンピュータ２１は、受注システム１０との間でのデータ送受信や、需要予測を実行するための各種データの管理処理等を行なう。この管理コンピュータ２１は、図示しないＣＰＵ、ＲＡＭ、ＲＯＭ等を有し、後述する処理（累積推移を算出する段階、累積予測関数を算出する段階、需要を予測する段階、需要予測の可否判定を行なう段階等を含む処理）を行なう。そのための需要予測プログラムを実行することにより、管理コンピュータ２１は、累積推移を算出する手段、累積予測関数を算出する手段、需要を予測する手段、需要予測の可否判定を行なう手段等として機能する。
【００４３】
さらに需要予測システム２０は、プロフィールデータ記憶部２２、及び実績データ記憶手段としての受注実績データ記憶部２３を備えている。
プロフィールデータ記憶部２２には、図２に示すように、需要予測を行なうサービスパーツに関するプロフィールデータ２２０が記録されている。このプロフィールデータ２２０は、サービスパーツが提供可能な状態になった場合に設定される。プロフィールデータ２２０は、サービスパーツ毎に、サービスパーツ識別子、サービスパーツ名称及び開放月に関するデータを含んで構成される。
【００４４】
サービスパーツ識別子データ領域には、サービスパーツを特定するための識別子に関するデータが記録される。例えば、サービスパーツ識別子としては部品番号等が用いられる。
【００４５】
サービスパーツ名称データ領域には、サービスパーツの名称に関するデータが記録される。
開放月データ領域には、サービスパーツを提供するために、サービスパーツ識別子を各サービス拠点に開放（拡布）した年月に関するデータが記録される。
【００４６】
受注実績データ記憶部２３には、図３に示すように、各サービスパーツに関する受注実績データ２３０が記録されている。この受注実績データ２３０は、サービスパーツ識別子の開放後に設定され、受注システム１０から確定した受注実績を受信した場合に追加記録される。受注実績データ２３０には、サービスパーツ毎に、サービスパーツ識別子及び受注実績に関するデータが相互に関連づけられて記録される。
【００４７】
サービスパーツ識別子データ領域には、受注実績のあったサービスパーツを特定するための識別子に関するデータが記録される。
受注実績データ領域には、商品の提供量として、サービスパーツの受注量に関するデータが、受注月に関するデータとともに記録される。本実施形態では、この受注量は月単位で記録されており、実績推移を構成する。この受注実績は、実績が確定したときに追加記録される。したがって、サービスパーツは開放月によって受注実績の数（ｎ）が異なり、それに応じたデータ数が記録される。
【００４８】
上記のように構成されたシステムにおいて、サービスパーツの需要予測を行なう場合の処理手順を、図４〜図１７を用いて説明する。
まず、管理コンピュータ２１は、商品としてのサービスパーツの属性に基づいてワイブル成長モデルの適用の可否を判定する。本実施形態では、後述するように、属性として受注実績期間、ピークの有無、流動性を用いる。
【００４９】
まず、管理コンピュータ２１は、サービスパーツの受注実績期間により処理を振り分ける期間判定を行なう。本実施形態では、受注実績期間が１８ヶ月以上かどうかによって処理方法を分ける（Ｓ１−１）。本実施形態において需要予測に用いるワイブル成長モデルは、過去の実績から次の受注量を予測する手法であるため、ある程度の受注実績期間が必要となるからである。そのため、管理コンピュータ２１は、受注予測を行なうサービスパーツに関して、プロフィールデータ記憶部２２に記録された開放月から受注実績期間を特定する。
【００５０】
（受注実績期間が１８ヶ月以上の処理）
ここで、受注実績期間が１８ヶ月以上の場合（ステップ（Ｓ１−１）において「Ｙｅｓ」の場合）、管理コンピュータ２１は受注量の累積量推移を算出する（Ｓ１−２）。本実施形態では、すべての受注量を用いて累積量推移を算出する。このため、管理コンピュータ２１は受注実績データ記憶部２３から過去の受注実績を抽出する。本実施形態では、６０ヶ月間の受注実績があるものとする。
【００５１】
そして、各月の受注実績をその前の月の累積総和に加算していくことにより、月毎の累積量推移（累積推移）を算出する。ここで、一例を図１１に示す受注実績グラフ５００を用いて説明する。ここで、受注実績グラフ５００の受注実績推移５０１は、６０ヶ月前（１月）を原点として現在（６０月）までのサービスパーツの受注個数を表している。
【００５２】
図１１に示す受注実績推移から累積量推移を算出したものを、図１２に示す累積量推移グラフ５１０に示す。ここで、累積量推移グラフ５１０の累積受注実績推移５１１は、１月からの受注個数を６０月まで月毎に加算した累積個数を表わしている。
【００５３】
次に、管理コンピュータ２１は成長モデルを適用して傾向曲線の算出処理を行なう（Ｓ１−３）。この傾向曲線の算出処理を、図５を用いて説明する。まず、管理コンピュータ２１はピーク判定処理を行なう（Ｓ２−１）。このピーク判定処理を、図６を用いて説明する。ここでは、受注実績がピークを過ぎているか否かを判別するために、ピーク判定基準期間として過去６０ヶ月間の受注量に対して主成分分析を行なう。具体的には、管理コンピュータ２１は、各月の受注量に対して、所定の重み付けを行ない、それを総和することによって、第１主成分及び第２主成分の各主成分を算出する。この場合、この重み付けに用いる因子負荷量（Ｌ１（ｉ）、Ｌ２（ｉ））の値の組み合わせによって、主成分の指標の持つ意味が異なる。
【００５４】
この処理では、受注実績が所定量（ここでは「１」）以上になった時期以降の実績を用いる。
なお、このサービスパーツの受注実績が６０ヶ月未満の場合には、管理コンピュータ２１は、受注実績データ記憶部２３に記録された受注実績期間を６０ヶ月に引き伸ばした拡張推移を生成し、この拡張推移を各月に割り当て直すことにより受注量を見積もる。
【００５５】
まず、管理コンピュータ２１は、受注実績の基準化を行なう（Ｓ３−１）。ここでは、受注実績Ｙ（ｉ）の平均が「０」で標準偏差が「１」になる基準化受注実績Ｙｎ（ｉ）を算出する。具体的には、各月の受注個数から平均値を差し引いた値を標準偏差で除算することにより、基準化受注実績Ｙｎ（ｉ）を算出する。
【００５６】
次に、管理コンピュータ２１は、第１主成分の算出を行なう（Ｓ３−２）。第１主成分は、図６に示す因子負荷量３１を基準化受注実績Ｙｎ（ｉ）に乗算し、総和することにより算出する。
【００５７】
次に、管理コンピュータ２１は、第２主成分の算出を行なう（Ｓ３−３）。第２主成分は、図６に示す因子負荷量３２を基準化受注実績Ｙｎ（ｉ）に乗算し、総和することにより算出する。
【００５８】
因子負荷量Ｌ１（ｉ）として図６に示す因子負荷量３１を用いる場合、第１主成分は増減傾向によって変化し、減少傾向の実績推移を有するサービスパーツは大きく、増加傾向のパーツは小さくなる。また、因子負荷量Ｌ２（ｉ）として図６に示す因子負荷量３２を用いる場合、第２主成分は凹凸型傾向によって変化し、凸型形状（山型）の実績推移を有するサービスパーツの値が大きくなる。このようにして第１主成分及び第２主成分の算出後、図５に示す処理に戻る。
【００５９】
そして、管理コンピュータ２１は、算出した第１主成分と第２主成分とをパラメータとする関数値と所定値とを比較することにより、ピーク経過の判定を行なう（Ｓ２−２）。ここでは、関数値が所定値より大きい場合には、サービスパーツの受注量が既にピークを経過していると判定する。
【００６０】
ピークを経過していると判定された場合（ステップ（Ｓ２−２）において「Ｙｅｓ」の場合）、管理コンピュータ２１はサービスパーツの受注量の流動レベルが高いかどうかを判定する流動性判定を行なう（Ｓ２−３）。本実施形態では、サービスパーツの受注期間の中で最も大きく流動していた一定期間の平均値（Ｍａｘ平均）を用いて判定する。管理コンピュータ２１は、Ｍａｘ平均が所定量以上である場合には、流動レベルが高いと判定する。
【００６１】
流動レベルが高い場合（ステップ（Ｓ２−３）において「Ｙｅｓ」の場合）、管理コンピュータ２１はワイブル成長モデルを用いてフィッティングを行なう。このため、管理コンピュータ２１はワイブル成長モデルの適用パラメータ推定処理を行なう（Ｓ２−４）。このワイブル成長モデルの適用パラメータ推定処理を、図７を用いて説明する。このワイブル成長モデルは、ワイブル分布の累積した累積分布である。
【００６２】
ここでは、予め準備された複数の初期値を用いる。この初期値は、ワイブル成長モデルのモデル関数のパラメータとして用いられる。ワイブル成長モデルのモデル関数は図７に示す式（１）で表される。ここで、「Ｙｅ（ｉ）」は累積受注個数予測値であり、「Ｘ（ｉ）」は、開放月からの月数である。「Ｔｏｐ」は累積上限値であり、パーツの開放月から打切りまでの総受注量の予測値である。また、「ｍ」は形状パラメータであり、累積量推移の形状を決定する値である。「η」は尺度パラメータであり、累積総数の約６３％地点を予測する値である。「γ」は位置パラメータであり、開放時期と需要予測に用いる期間の原点との差を補正する値である。
【００６３】
まず、管理コンピュータ２１は、準備された初期値の中から、この処理で用いる初期値（Ｔｏｐ０、ｍ０、η０、γ０）を選択する（Ｓ４−１）。
次に、管理コンピュータ２１は、選択した初期値を用いて、ワイブル成長モデルのモデル関数における各パラメータの算出を行なう（Ｓ４−２）。本実施形態では、受注実績とワイブル成長モデルの関数から得られる理論値の差の二乗和（Ｓｅ）が最小となるようなパラメータを決定する最小二乗法を用いる。この二乗和（Ｓｅ）は、図７に示す式（２）によって表される。ここでは、推定するパラメータに対してモデル関数が非線形であるため、ニュートン・ラフソン法（Ｎｅｗｔｏｎ−Ｒａｐｈｓｏｎ法）という数値解析手法を用いることによりパラメータを決定する。具体的には、選択した初期値（Ｔｏｐ０、ｍ０、η０、γ０）から、二乗和（Ｓｅ）の微分係数を用いて各パラメータの繰り返し計算を行なうことにより、収束する近似解を求める。これにより、累積予測関数として、近似解をパラメータに有するモデル関数が算出される。
【００６４】
なお、収束しない場合には、管理コンピュータ２１は他の初期値を選択して再計算を行なう。
そして、収束した近似解を算出できた場合、及び準備された全初期値を用いても収束しなかった場合には、図５の処理に戻る。
【００６５】
図５の処理においては、ワイブル成長モデルを用いて推定処理ができたかどうかによって処理が異なる（Ｓ２−５）。ワイブル成長モデルを適用することにより近似解が得られた場合（ステップ（Ｓ２−５）において「Ｙｅｓ」の場合）には、管理コンピュータ２１は、算出したパラメータを用いるワイブル成長モデルを用いて傾向曲線の算出処理を行なう（Ｓ２−７）。この傾向曲線の算出処理については後述する。
【００６６】
一方、サービスパーツの受注量がピークを経過していないと判定された場合（ステップ（Ｓ２−２）において「Ｎｏ」の場合）、管理コンピュータ２１は、他のモデルを用いてのフィッティングを行なうための適用処理を行なう（Ｓ２−６）。この他のモデルの適用処理を、図８を用いて説明する。この処理においても、図４のステップ（Ｓ１−２）で算出した累積量推移を用いる。
【００６７】
ここでは、管理コンピュータ２１は他のモデルの適用を行なう（Ｓ５−１）。本実施形態では、図８に示すように、他のモデルとして、「累積２次モデル」、「累積３次モデル」及び「累積４次モデル」を用いる。ここで、「累積２次モデル」、「累積３次モデル」、「累積４次モデル」とは、それぞれ２次、３次、４次の重回帰モデルである。ここでも、ステップ（Ｓ４−２）の処理と同様に、最小二乗法を用いてモデル関数のパラメータの算出を行なう。
【００６８】
そして、管理コンピュータ２１は予測モデルの中から最適モデルの選択処理を行なう（Ｓ５−２）。ここでは、モデル関数と実績との差分が最小になるモデル関数を採用する。そして、図５に示す処理に戻る。
【００６９】
なお、図５に示す流動レベルが低い場合（ステップ（Ｓ２−３）において「Ｎｏ」の場合）や、ワイブル成長モデルを適用した時に解が収束しなかった場合（ステップ（Ｓ２−５）において「Ｎｏ」の場合）も、管理コンピュータ２１は、上述した図８に示す他のモデルの適用処理を行なう（Ｓ２−６）。
【００７０】
ステップ（Ｓ２−４）又はステップ（Ｓ２−６）により、モデル関数を用いてフィッティングが行なわれた様子を図１３に示す累積量推移グラフ５２０を用いて説明する。この累積量推移グラフ５２０には、累積受注実績推移５１１に対してモデル関数を用いて算出した累積フィッティング曲線５２１が表示されている。
【００７１】
次に、管理コンピュータ２１は傾向曲線の算出を行なう（Ｓ２−７）。ここでは、ステップ（Ｓ２−４）又はステップ（Ｓ２−６）で特定されたモデル関数の微分を行なうことにより、月毎の予測受注量を算出する。この様子を図１４に示す受注実績グラフ５３０を用いて説明する。図１４には、受注実績推移５０１に対して、予測受注量を表示した傾向曲線５３１を示されている。傾向曲線５３１は、図１３の累積量推移グラフ５２０の傾き（微分係数）を計算することにより算出される。このように、傾向曲線を算出後、図４に示す処理に戻る。
【００７２】
そこで、管理コンピュータ２１は、サービスパーツの受注量推移に周期変動があるかどうかを判定するため周期変動判定処理を行なう（Ｓ１−４）。この周期変動判定処理を、図９を用いて説明する。本実施形態では、公知のペリオドグラムを用いて判定する。
【００７３】
まず、管理コンピュータ２１は受注実績と傾向曲線との差分を算出する（Ｓ６−１）。ここで、例えば、図１４に示す受注実績推移５０１と傾向曲線５３１とを用いて説明する。両者の差分を算出することにより、図１５に示す差分グラフ６００が得られる。この差分グラフ６００には、受注実績と傾向曲線との差分を月毎に表示した差分曲線６０１が表されている。
【００７４】
次に、管理コンピュータ２１は、算出した差分に対して同調強度を算出する（Ｓ６−２）。ここでは、この同調強度は図９に示す式（３）を用いて、６ヶ月周期又は１２ヶ月周期の同調強度を算出する。ペリオドグラムでは、ある周期（μ）で振幅する三角関数と実データ（残差）を同調させることを考える。このようにして考えられた統計量を同調強度と呼ぶ。実データが周期（μ）で振幅している場合、同調強度は大きくなり、周期（μ）とはまったく異なる動きをしている場合、同調強度は小さくなる。なお、検定にはシェスターの検定を用いる。具体的には、同調強度が１％有意点より大きくなる場合には周期性がある判定し、その中で同調強度が最大になるものを周期として用いる。そして、図４に示す処理に戻る。
【００７５】
同調強度が１％有意点より大きくなり周期性があると判定される場合（ステップ（Ｓ１−５）において「Ｙｅｓ」の場合）、管理コンピュータ２１は季節変動を予測する周期変動モデルの適用処理を行なう（Ｓ１−６）。
【００７６】
この処理を、図１０を用いて説明する。まず、管理コンピュータ２１は、受注実績と傾向曲線との差分推移に周期変動モデルを用いてフィッティングを行なう（Ｓ７−１）。ここで、差分としては、ステップ（Ｓ１−４）で算出したものを用いる。本実施形態では、周期変動モデルのモデル関数として、図１０に示す式（４）の「２次Ｓｉｎモデル」を適用する。ここで、「Ｄ」は、受注実績と傾向曲線との差分である。また、「Ｘ（１−ｉ）」は、開放月からの通し月であり、「Ｘ（２−ｉ）」は１月から１２月までを示す月である。また、「ＰｒｏＤ」はペリオドグラムを用いて算出した周期であり、６ヶ月周期の場合には「６」、１２ヶ月周期の場合には「１２」を用いる。ｋ１〜ｋ３、ｄ、Ｃは、フィッティングのためのパラメータである。このパラメータを変化させることによりフィッティングを行なう。例えば、差分グラフ６００に示す差分曲線６０１に対してフィッティングを行なった場合、図１６に示す周期曲線６２１のような周期変動モデルが得られる。
【００７７】
そして、管理コンピュータ２１は、フィッティングさせて特定したパラメータを用いて算出した周期変動モデルと、ステップ（Ｓ２−７）で算出した傾向曲線とを合成して需要予測曲線を生成する（Ｓ７−２）。例えば、図１４に示す傾向曲線５３１に、図１６に示す周期曲線６２１を合成した場合、図１７に示す受注実績グラフ６３０のようになる。このように、受注実績推移５０１、傾向曲線５３１に対して、需要予測曲線６３１を引くことができる。このように、周期性がある場合には、傾向曲線と周期変動モデルとを合成して需要予測モデルを選択する。
【００７８】
そして、図１０に示す周期変動モデルの適用処理を終了した場合、図４に示す処理に戻る。なお、図４において、同調強度が小さく周期性がないと判定される場合（ステップ（Ｓ１−５）において「Ｎｏ」の場合）、ステップ（Ｓ１−６）の処理をスキップし、ステップ（Ｓ１−３）で算出した傾向曲線を需要予測モデルとして用いる。
【００７９】
（受注実績期間が１８ヶ月未満の処理）
また、図４のステップ（Ｓ１−１）において「Ｎｏ」の場合、すなわち受注実績期間が１８ヶ月未満の場合、管理コンピュータ２１は受注量の累積量推移を算出する（Ｓ１−７）。
【００８０】
次に、管理コンピュータ２１は他のモデルの適用を行なう（Ｓ１−８）。本実施形態では、図４に示すように、ここでの他のモデルとして「累積２次モデル」、「６ヶ月平均モデル」、「１２ヶ月平均モデル」を用いる。ステップ（Ｓ１−７）で算出した累積量推移は、累積２次モデルを適用する場合に用いられる。
【００８１】
ここで、「累積２次モデル」とは２次の重回帰モデルである。「６ヶ月平均モデル」とは受注量直近６ヶ月平均値、「１２ヶ月平均モデル」とは、受注量直近１２ヶ月平均値である。
【００８２】
そして、管理コンピュータ２１は最適モデルの選択処理を行なう（Ｓ１−９）。ここでは、フィッティング結果と実績との差分を算出し、差分が最小になるモデルを需要予測モデルとして採用する。
【００８３】
（需要予測の出力処理）
そして、管理コンピュータ２１は、ステップ（Ｓ１−３）、ステップ（Ｓ１−６）又はステップ（Ｓ１−９）で選択された需要予測モデルを用いて、将来の需要を予測し、この結果を、ネットワークＮを介して受注システム１０に出力する（Ｓ１−１０）。この需要予測を用いることにより、サービスパーツ管理部門は需要に応じた発注指示を行なうことができる。
【００８４】
上記実施形態の需要予測処理によれば、以下のような効果を得ることができる。
・上記実施形態では、管理コンピュータ２１はワイブル成長モデルを用いてサービスパーツの需要予測を行なう。ワイブル分布は、通常、成長モデルには利用されない分布であるが、信頼性工学の分野で製品寿命を推定する際に広く用いられる分布である。このため、予測対象であるサービスパーツの需要は、製品の寿命・故障率等の製品の信頼性に関わる分野に密接な関係がある。従って、製品の機能を維持するためサービスパーツの需要を、より的確に予測することができる。
【００８５】
・上記実施形態では、管理コンピュータ２１は、受注実績期間が１８ヶ月以上の場合にワイブル成長モデルを用いてサービスパーツの需要予測を行なう。ワイブル成長モデルは、過去の実績から次の受注量を予測する手法であるため、所定の受注実績期間に基づいて、より的確な需要予測を行なうことができる。
【００８６】
・上記実施形態では、管理コンピュータ２１は、サービスパーツの受注量推移がピークを過ぎている場合にワイブル成長モデルを用いて需要予測を行なう。ワイブル成長モデルはサービスパーツにより、サービスパーツの受注開始から受注終了までのライフサイクルを描くものである。そのために最終の累積量（累積上限値）がどの程度になるのかを予測する。累積上限値を予測するためにはサービスパーツの受注量がピークを過ぎて落ち始めていないと予測が困難である。受注量が上昇傾向にあるパーツに対してワイブル成長モデルを適用すると、その累積上限値が予測できないために解析不能になったり、間違ったピークを付与しまったりすることがある。このため、サービスパーツの受注量推移がピークを過ぎている場合にワイブル成長モデルを適用することにより、より的確な需要予測を行なうことができる。
【００８７】
・上記実施形態では、管理コンピュータ２１は、サービスパーツの流動レベルが高い場合にワイブル成長モデルを用いて需要予測を行なう。サービスパーツの中には、月に数万個単位で流動するものから月に１個〜２個程度しか流動しないものまで様々な流動レベルで推移する。流動レベルが低いところで推移しているサービスパーツの推移が不安定でまた変動バラツキも大きく、これまでの受注量の傾向が変わってしまうこともある。このため、流動レベルが高いところで推移し、受注量の推移が安定しているサービスパーツを対象としてワイブル成長モデルを適用することにより、より的確な需要予測を行なうことができる。
【００８８】
・上記実施形態では、管理コンピュータ２１がピーク判定処理を行なう。このピーク判定処理では、管理コンピュータ２１は、各月の受注量に対して、所定の重み付けを行ない、それを総和することによって、第１主成分及び第２主成分の各主成分を算出する。因子負荷量Ｌ１（ｉ）として、図６に示す因子負荷量３１を用いる場合、第１主成分は、減少傾向のサービスパーツは大きく、増加傾向のパーツは小さくなる。また、因子負荷量Ｌ２（ｉ）として、図６に示す因子負荷量３２を用いる場合、第２主成分は、凸形状（山型）のサービスパーツの値が大きくなる。そして、管理コンピュータ２１は、算出した第１主成分と第２主成分とをパラメータとする関数値と所定値とを比較することにより、ピーク経過の判定を行なう。このため、管理コンピュータ２１は、受注実績がピークを過ぎているか否かを、効率的に判別することができる。
【００８９】
・上記実施形態では、ピーク判定処理を行なう場合、管理コンピュータ２１は受注実績の基準化を行なう。このため、受注量はサービスパーツによって、その規模がまったく異なる場合においても、同じ尺度でピーク判定を行なうことができる。
【００９０】
・上記実施形態では、サービスパーツの受注実績が６０ヶ月未満の場合には、管理コンピュータ２１は、受注実績データ記憶部２３に記録された受注実績期間を６０ヶ月に引き伸ばし、各月に割り当て直すことにより受注量を見積もる。このため、受注実績が６０ヶ月以上あるサービスパーツと同様に、因子負荷量（Ｌ１（ｉ）、Ｌ２（ｉ））として、因子負荷量３１や因子負荷量３２を用いることができる。
【００９１】
・上記実施形態では、管理コンピュータ２１は、サービスパーツの受注量推移に周期変動があるかどうかを判定するため周期変動判定処理を行なう。例えば、季節変動等の周期変動のないサービスパーツに対して周期変動モデルを適用すると、ケースによっては予測値が暴走する場合がある。このため、より的確に需要予測を行なうことができる。また、周期変動モデルの適用には計算負荷がかかるが、周期変動のないサービスパーツに対して周期変動モデルを適用することなく、効率的に需要予測を行なうことができる。
【００９２】
・上記実施形態では、管理コンピュータ２１はペリオドグラムを用いて周期性の有無を判定する。このため、同調強度を用いて効率的に周期性を判定することができる。
【００９３】
・上記実施形態では、管理コンピュータ２１は、受注実績と傾向曲線との差分を算出し、この差分に対して周期変動モデルを適用する。この場合、周期変動モデルのモデル関数として「２次Ｓｉｎモデル」を用いる。サービスパーツの需要変動は、受注量に応じて変化する。「２次Ｓｉｎモデル」は、サービスパーツの受注開始時期や受注終了時期に比べ、ピーク時期の振幅を大きくしながら周期成分を表現することができる。このため、より的確にサービスパーツの周期変動を予測することができる。
【００９４】
・上記実施形態では、受注実績期間が１８ヶ月未満の場合、管理コンピュータ２１はワイブル成長モデル以外のモデルの適用を行なう。本実施形態では、「累積２次モデル」、「６ヶ月平均モデル」、「１２ヶ月平均モデル」を用いる。また、サービスパーツの受注量がピークを経過していないと判定された場合、ワイブル成長モデル以外のモデルを用いてのフィッティングを行なうための適用処理を行なう。本実施形態では、「累積２次モデル」、「累積３次モデル」及び「累積４次モデル」を用いる。これらのモデルは、流動レベルが低い場合や、ワイブル成長モデルを適用したときに解が収束しなかった場合にも用いられる。ワイブル成長モデルはすべてサービスパーツに対して適用できる訳でない。ワイブル成長モデルが不適合と判定されたサービスパーツに対しては、ワイブル成長モデルとは別の予測モデルを複数用意されているので、より的確な需要予測を行なうことができる。
【００９５】
なお、上記実施形態は以下のように変更してもよい。
・上記実施形態では、サービスパーツの需要予測を行なう。需要予測の対象はこれに限られるものではなく、提供した製品の信頼性に関する需要であればよく、例えばサービス担当者の業務量等であってもよい。
【００９６】
・上記実施形態では、成長モデル適用による傾向曲線の算出処理に引き続き、周期変動判定処理、周期変動モデルの適用処理を行なう。これに代えて、管理コンピュータ２１は傾向曲線のみによる受注予測を行なってもよい。これにより、ステップ（Ｓ１−４）〜（Ｓ１−６）の処理を省略することにより、より簡単に需要予測を行なうことができる。
【００９７】
・上記実施形態では、図４に示すステップ（Ｓ１−８）では、ワイブル成長モデルを適用できない場合、「累積２次モデル」、「６ヶ月平均モデル」、「１２ヶ月平均モデル」を用いる。また、図８に示すステップ（Ｓ５−１）では、ワイブル成長モデルを適用できない場合、「累積２次モデル」、「累積３次モデル」及び「累積４次モデル」を用いる。これに代えて、これらのモデルの一部や他のモデルを用いてもよい。
【００９８】
・上記実施形態では、管理コンピュータ２１は、サービスパーツの受注実績期間が１８ヶ月以上かどうかによって処理を振り分ける。具体的には、受注実績期間が１８ヶ月以上の場合にワイブル成長モデルの適用を検討する。これに代えて、ワイブル成長モデルの適用を検討するための受注実績期間（基準実績期間）をサービスパーツの属性に応じて変更してもよい。この場合、例えば、サービスパーツのカテゴリ等に対応して基準実績期間を記録させたデータベースを準備しておく。そして、管理コンピュータ２１は、この基準実績期間と、開放月からの経過月数とを比較し、ワイブル成長モデルの適用処理を振り分ける。サービスパーツのカテゴリ等によってライフサイクルが異なることがあるが、このような場合にも、効率的に需要予測を行なうことができる。
【００９９】
・上記実施形態では、管理コンピュータ２１は、サービスパーツの属性に基づいてワイブル成長モデルの適用の可否を判定する。ここで、属性として受注実績期間、ピークの有無、流動性を用いる。適用可否判定するための属性は、これらの属性に限定されるものではない。これらの属性の一部やその他の属性を用いてもよい。
【０１００】
【発明の効果】
本発明によれば、所定のサービスパーツ等の商品に関してワイブル成長モデルを適用して、効率的かつ的確に需要を予測することができる。
【図面の簡単な説明】
【図１】本発明の実施形態のシステム概略図。
【図２】プロフィールデータ記憶部に記録されたデータの説明図。
【図３】受注実績データ記憶部に記録されたデータの説明図。
【図４】本実施形態の処理手順の説明図。
【図５】本実施形態の処理手順の説明図。
【図６】本実施形態の処理手順の説明図。
【図７】本実施形態の処理手順の説明図。
【図８】本実施形態の処理手順の説明図。
【図９】本実施形態の処理手順の説明図。
【図１０】本実施形態の処理手順の説明図。
【図１１】本実施形態の受注量推移を示すグラフ。
【図１２】本実施形態の累積量推移を示すグラフ。
【図１３】本実施形態の累積量推移を示すグラフ。
【図１４】本実施形態の受注量推移を示すグラフ。
【図１５】本実施形態の受注実績と傾向曲線との差分を示すグラフ。
【図１６】本実施形態の受注実績と傾向曲線との差分を示すグラフ。
【図１７】本実施形態の受注量推移を示すグラフ。
【符号の説明】
２０…需要予測システム、２１…管理コンピュータ、２３…実績データ記憶手段としての受注実績データ記憶部。[0001]
TECHNICAL FIELD OF THE INVENTION
The present invention relates to a demand forecasting method and a demand forecasting program for a product, and more particularly, to a demand forecasting of a product related to product reliability.
[0002]
[Prior art]
When providing products to customers, it is necessary to appropriately manage product inventory. This product includes not only finished products but also consumables used for finished products and the like, and replacement parts due to failure. By performing accurate inventory management, inventory loss due to surplus inventory and opportunity loss due to shortage of inventory can be suppressed.
[0003]
In order to perform such inventory management, accurate demand forecasting is required. In such demand forecasting, for example, multiple regression analysis is used. In this multiple regression analysis, a past formula is analyzed to create a prediction formula. However, if the prediction formula once created is used continuously, the error between the predicted value and the actual value may increase. Therefore, it is conceivable to re-create the prediction formula based on the results every short period, but the load for preparing the prediction formula increases.
[0004]
For this reason, a sales forecasting method has been proposed in which a sales forecast is made for each product category in consideration of a fluctuation factor (for example, see Patent Document 1). In this sales forecasting method, first, a moving average value is calculated by averaging the sales results of a product whose sales quantity is to be predicted for a predetermined period. Then, the estimated fluctuation amount of the sales volume of the product is calculated from the fluctuation factors considered to affect the sales volume on the predicted sales day. Further, the moving average value is corrected based on the fluctuation prediction quantity to calculate a first sales prediction quantity. As a result, the sales results for a predetermined period immediately before the sales forecast date can be reflected in the sales forecast, and the followability of the forecast value can be improved.
[0005]
In addition, demand forecasting is sometimes performed using a growth model, which is a numerical analysis technique used in the field of economics. Normally, demand for products begins to sell little by little, then grows sharply, ceases to sell once the market has been reached, and eventually ends production. In this case, when the cumulative transition of the demand per unit time is calculated, it approximates to a cumulative distribution of a probability density function such as a normal distribution. For this reason, the degree of growth may be predicted using a cumulative function (growth model) of a predetermined distribution. The distribution used in this growth model includes a logistic distribution and a Gompertz distribution, both of which are used in a wide range of fields.
[0006]
[Patent Document 1]
JP 2000-339543 A (page 1)
[0007]
[Problems to be solved by the invention]
However, the demand forecast using the moving average value has a large forecast error due to a time lag (time lag), and it is necessary to prepare a large amount of safety stock. In addition, in the logistic distribution and the Gompertz distribution, it is difficult to accurately forecast demand for a specific product.
[0008]
Further, when estimating the product life in the field of reliability engineering, the Weibull distribution is widely used, but is not usually used for a growth model.
An object of the present invention is to provide a demand forecasting method and a demand forecasting program capable of accurately performing demand forecasting on a product.
[0009]
[Means for Solving the Problems]
In order to solve the above-mentioned problem, the invention according to claim 1 predicts demand for the product by using a performance data storage unit that records data on a performance transition of the provided amount of the product and a management computer. A demand forecasting method, wherein the management computer calculates a cumulative transition of the provided amount of the product based on a performance transition recorded in the performance data storage means, and a Weibull distribution for the cumulative transition. The gist of the present invention is to include a step of calculating a cumulative prediction function by applying a cumulative distribution, and a step of predicting demand for the product using the cumulative prediction function.
[0010]
According to a second aspect of the present invention, in the demand forecasting method of the first aspect, the commodity is a service part for maintaining a function of the product.
According to a third aspect of the present invention, in the demand forecasting method according to the first or second aspect, the demand forecasting method further includes a step in which the management computer determines whether or not demand forecasting is possible based on an attribute of the product. It is the gist to have.
[0011]
According to a fourth aspect of the present invention, in the demand forecasting method according to the third aspect, the determination as to whether or not the demand prediction is possible includes a period determination performed based on a period in which the actual transition of the product is recorded. I do.
[0012]
According to a fifth aspect of the present invention, in the demand forecasting method according to the third or fourth aspect, the determination as to whether or not the demand prediction is possible includes a liquidity determination performed based on the provided amount of the product.
[0013]
According to a sixth aspect of the present invention, in the demand forecasting method according to any one of the third to fifth aspects, the determination as to whether the demand forecast is possible determines whether or not there is a peak in the actual transition of the provided amount of the product. The point is to include peak judgment.
[0014]
According to a seventh aspect of the present invention, in the demand forecasting method of the sixth aspect, the peak determination is performed using a principal component calculated by multiplying the actual transition by a predetermined factor load. Is the gist.
[0015]
According to an eighth aspect of the present invention, in the demand forecasting method according to the seventh aspect, the factor load is a first factor load for determining an increase / decrease tendency of the actual transition, and the unevenness of the actual transition is determined. And a second factor loading for determining a pattern tendency, wherein the peak determination uses a first principal component calculated using the first factor loading and the second factor loading. The gist is that it is performed using the second principal component calculated in the above.
[0016]
According to a ninth aspect of the present invention, in the demand forecasting method according to the seventh or eighth aspect, the peak determination is performed on an actual transition of a peak determination reference period having a predetermined length, and a provision period regarding the actual transition is set. When the period is longer than the peak determination reference period, the gist is that the peak determination is performed for a transition from a recent result to a time before the peak determination reference period.
[0017]
According to a tenth aspect of the present invention, in the demand forecasting method according to the seventh or eighth aspect, the peak determination is performed on an actual transition in a predetermined peak determination reference period, and a provision period related to the actual transition is the peak period. If shorter than the judgment reference period, the demand forecasting method, the management computer generates an extended transition in which the actual transition of the providing period is extended to the length of the peak judgment reference period, and The gist of the present invention is to further include a step of performing the peak determination.
[0018]
The invention according to claim 11 is a demand forecasting program for forecasting demand for the product by using a performance data storage unit that records data relating to a performance change of the provided amount of the product and a management computer, A computer configured to calculate a cumulative transition of the provided amount of the product based on the actual transition recorded in the actual data storage unit; and a cumulative prediction function that applies a Weibull distribution cumulative distribution to the cumulative transition. And a means for predicting the demand for the product using the cumulative prediction function.
[0019]
According to a twelfth aspect of the present invention, in the demand prediction program according to the eleventh aspect, the commodity is a service part for maintaining a function of the product.
[0020]
According to a thirteenth aspect of the present invention, in the demand forecasting program according to the eleventh or twelfth aspect, the demand forecasting program further causes the management computer to determine whether or not demand forecasting is possible based on the attribute of the product. The point is to make it function.
[0021]
According to a fourteenth aspect of the present invention, in the demand forecasting program according to the thirteenth aspect, the determination as to whether or not the demand prediction is possible includes a period determination performed based on a period in which the actual transition of the product is recorded. I do.
[0022]
According to a fifteenth aspect of the present invention, in the demand forecasting program according to the thirteenth or fourteenth aspect, the determination as to whether or not the demand prediction is possible includes a liquidity determination performed based on the provided amount of the product.
[0023]
According to a sixteenth aspect of the present invention, in the demand forecasting program according to any one of the thirteenth to fifteenth aspects, the determination of the necessity of the demand forecast determines whether there is a peak in the actual transition of the provided amount of the product. The point is to include peak judgment.
[0024]
According to a seventeenth aspect of the present invention, in the demand forecast program according to the sixteenth aspect, the peak determination is performed using a principal component calculated by multiplying the actual transition by a predetermined factor load. Is the gist.
[0025]
The invention according to claim 18 is the demand forecasting program according to claim 17, wherein the factor load is a first factor load for determining an increase / decrease tendency of the actual transition, and the irregularity of the actual transition is determined. And a second factor loading for determining a pattern tendency, wherein the peak determination uses a first principal component calculated using the first factor loading and the second factor loading. The gist is that it is performed using the second principal component calculated in the above.
[0026]
The invention according to claim 19 is the demand forecasting program according to claim 17 or 18, wherein the peak determination is performed on an actual transition of a peak determination reference period having a predetermined length, and a provision period regarding the actual transition is set. When the period is longer than the peak determination reference period, the gist is that the peak determination is performed for a transition from a recent result to a time before the peak determination reference period.
[0027]
The invention according to claim 20 is the demand forecasting program according to claim 17 or 18, wherein the peak determination is performed for an actual transition in a predetermined peak determination reference period, and the providing period related to the actual transition is the peak period. If shorter than the criterion period, the demand forecasting method, the management computer generates an extended transition in which the actual transition of the providing period is extended to the length of the peak criterion period, and for the extended transition The gist of the invention is to further function as a means for performing the peak determination.
[0028]
(Action)
According to the first or eleventh aspect of the present invention, the management computer calculates the cumulative transition of the provided amount of the product based on the actual transition recorded in the actual data storage unit. Next, a cumulative prediction function is calculated by applying the Weibull distribution cumulative distribution to the cumulative transition. Then, the demand of the product is predicted using the cumulative prediction function. Therefore, the cumulative transition can be predicted using the cumulative distribution of the Weibull distribution. Therefore, it is possible to perform accurate demand forecast for the product.
[0029]
According to the invention described in claim 2 or 12, the product is a service part for maintaining the function of the product. The Weibull distribution is a distribution widely used in estimating product life in the field of reliability engineering. For this reason, the demand for service parts related to product reliability such as product life and failure rate can be more accurately predicted.
[0030]
According to the third or thirteenth aspect of the present invention, the management computer determines whether or not demand prediction is possible based on the attribute of the product. Demand varies depending on the attributes of the product. Therefore, the applicability of the Weibull distribution can be appropriately determined according to the attribute of the product. Therefore, demand can be predicted more accurately.
[0031]
According to the invention described in claim 4 or 14, the determination as to whether or not the demand prediction is possible includes a period determination performed based on a period in which the actual transition of the product is recorded. Since the growth model is a method of predicting future demand from past performance, a predetermined order performance period is required. For this reason, it is possible to perform more accurate demand prediction according to the length of the period in which the actual transition is recorded.
[0032]
According to the invention described in claim 5 or 15, the determination as to whether or not the demand prediction is possible includes a liquidity determination performed based on the provided amount of the product. When the flow level is low, the supply amount is unstable, the fluctuations become large, and an erroneous demand forecast may be made. Therefore, an appropriate demand forecast can be made by applying the Weibull distribution to a product having a stable flow level.
[0033]
According to the invention as set forth in claim 6 or 16, the determination as to whether or not the demand prediction is possible includes a peak determination for determining whether or not there is a peak in the actual transition of the provided amount of the product. If the peak of the provided amount has not passed, it is difficult to predict the upper limit value of the accumulated amount, and the prediction error increases. For this reason, demand forecasting can be performed by applying the Weibull distribution to products for which the cumulative upper limit value can be specified based on the passage of the peak.
[0034]
According to the invention described in claim 7 or 17, the peak determination is performed using a peak determination using a principal component calculated by multiplying the actual performance transition by a predetermined factor load. Therefore, peak determination can be performed efficiently using principal component analysis.
[0035]
According to the invention described in claim 8 or 18, the factor load is a first factor load for determining the increasing / decreasing tendency of the actual transition, and a concavo-convex pattern of the actual transition. And the second factor loading. The peak determination is performed using a first principal component calculated using the first factor load and a second principal component calculated using the second factor load. For this reason, if the decrease tendency can be grasped by the first factor load, it is possible to efficiently perform the peak determination regarding the presence or absence of the peak. Further, a transition having a peak can be specified by the second factor loading.
[0036]
According to the ninth or nineteenth aspect of the present invention, the peak determination is performed on the actual transition of the peak determination reference period having a predetermined length. If the provision period related to the performance transition is longer than the peak determination reference period, the peak determination is performed on the transition from the latest performance to before the peak determination reference period. The peak determination can be efficiently executed by the principal component analysis using the same factor loading without using the actual transitions of all provision periods.
[0037]
According to the tenth or twentieth aspect of the present invention, the peak determination is performed on an actual transition in a predetermined peak determination reference period. If the provision period related to the actual transition is shorter than the peak determination reference period, the management computer generates an extended transition in which the actual transition of the provision period is extended to the length of the peak determination reference period. The peak determination is performed on the extended transition. Therefore, even when the providing period is shorter than the peak determination reference period, the principal component analysis can be performed using the same factor loading.
[0038]
BEST MODE FOR CARRYING OUT THE INVENTION
Hereinafter, an embodiment of a demand forecasting process embodying the present invention will be described with reference to FIGS. In the present embodiment, a Weibull growth model is applied under predetermined conditions described later, and demand for service parts as products is predicted. More specifically, a demand forecasting method and a demand forecasting program used for performing demand forecasting of service parts based on actual orders of service parts of products provided to customers will be described. Here, the service part means a part that is replaced with a service in the case of wear or failure. This part is the minimum unit for maintaining the function of the product, and the service part includes not only the part but also the unit combining the parts.
[0039]
In the present embodiment, as shown in FIG. Further, an order instruction is performed based on the demand forecast output to the order receiving system 10. The order receiving system 10 is installed in a service parts management section that manages service parts, receives an order received at a sales base or a service base, and outputs an order instruction to a production section, a purchasing section, and the like.
[0040]
The order receiving system 10 is a computer terminal having a function of transmitting data via the network N, a function of displaying received data, and the like. The order receiving system 10 includes, in addition to a CPU, a RAM, and a ROM (not shown), input means such as a keyboard and a mouse, output means such as a display, and communication means such as a communication interface.
[0041]
The order receiving system 10 is connected to a demand forecasting system 20 via a network N, as shown in FIG. The demand forecasting system 20 is a computer system that performs various data processing related to demand forecasting. The demand prediction system 20 includes a management computer 21.
[0042]
The management computer 21 performs data transmission / reception with the order receiving system 10, management processing of various data for executing demand forecasting, and the like. The management computer 21 includes a CPU, a RAM, a ROM, and the like (not shown), and performs processes (to be described later) (a stage of calculating a cumulative transition, a stage of calculating a cumulative prediction function, a stage of predicting a demand, and a determination as to whether demand prediction is possible or not). (Including steps). By executing the demand forecasting program therefor, the management computer 21 functions as a means for calculating a cumulative transition, a means for calculating a cumulative forecast function, a means for predicting demand, a means for determining whether or not demand forecast is possible, and the like.
[0043]
Further, the demand forecasting system 20 includes a profile data storage unit 22 and an order result data storage unit 23 as a result data storage unit.
As shown in FIG. 2, profile data 220 relating to service parts for which demand forecasting is performed is recorded in the profile data storage unit 22. The profile data 220 is set when the service parts are ready to be provided. The profile data 220 includes, for each service part, data on a service part identifier, a service part name, and a release month.
[0044]
In the service part identifier data area, data relating to an identifier for specifying a service part is recorded. For example, a part number or the like is used as the service part identifier.
[0045]
In the service part name data area, data on the name of the service part is recorded.
In the release month data area, data on the date when the service part identifier was released (spread) to each service base in order to provide the service part is recorded.
[0046]
As shown in FIG. 3, received order data 230 for each service part is recorded in the received order data storage unit 23. This order result data 230 is set after the service part identifier is released, and is additionally recorded when a confirmed order result is received from the order receiving system 10. The order result data 230 records a service part identifier and data on the order result for each service part in association with each other.
[0047]
In the service part identifier data area, data relating to an identifier for specifying a service part that has received an order is recorded.
In the order result data area, data on the order amount of service parts is recorded as the product supply amount together with data on the order month. In the present embodiment, the order quantity is recorded on a monthly basis, and constitutes the actual transition. This order result is additionally recorded when the result is determined. Therefore, the number (n) of the actual orders received for the service parts differs depending on the month in which the service parts are released, and the number of data corresponding to the number is recorded.
[0048]
In the system configured as described above, a processing procedure when the demand forecast of the service parts is performed will be described with reference to FIGS.
First, the management computer 21 determines whether or not the Weibull growth model can be applied based on the attribute of the service part as a product. In the present embodiment, as will be described later, the actual order receiving period, the presence or absence of a peak, and the liquidity are used as attributes.
[0049]
First, the management computer 21 determines a period in which the processing is distributed according to the service part actual order period. In the present embodiment, the processing method is divided depending on whether or not the actual order receiving period is 18 months or more (S1-1). This is because the Weibull growth model used for demand prediction in the present embodiment is a method of predicting the next order quantity based on past results, and thus requires a certain order result period. Therefore, the management computer 21 specifies the actual order receiving period from the release month recorded in the profile data storage unit 22 for the service part for which the order prediction is performed.
[0050]
(Processing for the actual order period of 18 months or more)
Here, when the actual order period is 18 months or longer (in the case of “Yes” in step (S1-1)), the management computer 21 calculates the cumulative amount transition of the order amount (S1-2). In the present embodiment, the transition of the cumulative quantity is calculated using all the order quantities. Therefore, the management computer 21 extracts the past order results from the order result data storage unit 23. In the present embodiment, it is assumed that there is an order record for 60 months.
[0051]
Then, the cumulative order transition (cumulative transition) for each month is calculated by adding the actual orders received for each month to the cumulative total for the previous month. Here, an example will be described with reference to an actual order graph 500 shown in FIG. Here, the order result transition 501 of the order result graph 500 represents the order quantity of service parts up to the present (60th month) with 60 months ago (January) as the origin.
[0052]
A cumulative amount transition graph 510 shown in FIG. 12 shows a result of calculating the cumulative amount transition from the received order actual transition shown in FIG. Here, the cumulative order result transition 511 of the cumulative amount transition graph 510 represents the cumulative number obtained by adding the number of orders received from January to every month until June.
[0053]
Next, the management computer 21 performs a process of calculating a trend curve by applying the growth model (S1-3). The calculation process of the trend curve will be described with reference to FIG. First, the management computer 21 performs a peak determination process (S2-1). This peak determination processing will be described with reference to FIG. Here, in order to determine whether or not the actual orders have passed the peak, the principal component analysis is performed on the orders received in the past 60 months as a peak determination reference period. Specifically, the management computer 21 calculates predetermined principal components of the first principal component and the second principal component by performing a predetermined weighting on the order quantity of each month and summing the weights. In this case, the meaning of the principal component index differs depending on the combination of the values of the factor loads (L1 (i), L2 (i)) used for the weighting.
[0054]
In this processing, the actual result after the time when the actual order amount reaches a predetermined amount (here, “1”) is used.
When the order record of this service part is less than 60 months, the management computer 21 generates an extended transition in which the order record period recorded in the order record data storage unit 23 is extended to 60 months, and this extended transition is performed. Is re-assigned to each month to estimate the order volume.
[0055]
First, the management computer 21 standardizes the actual orders received (S3-1). Here, the standardized order result Yn (i) in which the average of the order result Y (i) is “0” and the standard deviation is “1” is calculated. Specifically, the standardized order result Yn (i) is calculated by dividing the value obtained by subtracting the average value from the number of orders received in each month by the standard deviation.
[0056]
Next, the management computer 21 calculates the first principal component (S3-2). The first principal component is calculated by multiplying the standardized order result Yn (i) by the factor load amount 31 shown in FIG.
[0057]
Next, the management computer 21 calculates the second principal component (S3-3). The second principal component is calculated by multiplying the standardized order result Yn (i) by the factor load 32 shown in FIG.
[0058]
When the factor load 31 shown in FIG. 6 is used as the factor load L1 (i), the first principal component changes according to the increasing / decreasing tendency, the service parts having the actual trend of decreasing tend to be large, and the parts of the increasing tendency decreasing. . When the factor load 32 shown in FIG. 6 is used as the factor load L2 (i), the value of the service part having the second principal component changes due to the unevenness tendency and having the actual transition of the convex shape (mountain shape). Becomes larger. After the first principal component and the second principal component are calculated in this manner, the process returns to the process illustrated in FIG.
[0059]
Then, the management computer 21 compares the function value using the calculated first principal component and the second principal component as a parameter with a predetermined value to determine whether the peak has elapsed (S2-2). Here, when the function value is larger than the predetermined value, it is determined that the order quantity of service parts has already passed the peak.
[0060]
When it is determined that the peak has passed (in the case of “Yes” in step (S2-2)), the management computer 21 performs the liquidity determination to determine whether the flow level of the order quantity of the service parts is high. (S2-3). In the present embodiment, the determination is made using the average value (Max average) of the certain period during which the service parts flowed the most during the order period. When the Max average is equal to or more than the predetermined amount, the management computer 21 determines that the flow level is high.
[0061]
When the flow level is high (in the case of “Yes” in step (S2-3)), the management computer 21 performs fitting using the Weibull growth model. For this reason, the management computer 21 performs an application parameter estimation process of the Weibull growth model (S2-4). The process for estimating the application parameters of the Weibull growth model will be described with reference to FIG. This Weibull growth model is a cumulative distribution of the Weibull distribution.
[0062]
Here, a plurality of initial values prepared in advance are used. This initial value is used as a parameter of a model function of the Weibull growth model. The model function of the Weibull growth model is represented by equation (1) shown in FIG. Here, “Ye (i)” is a cumulative order quantity prediction value, and “X (i)” is the number of months from the opening month. “Top” is the cumulative upper limit value, and is a predicted value of the total order quantity from the month when the parts are released to the time when the parts are discontinued. “M” is a shape parameter, which is a value that determines the shape of the transition of the accumulated amount. “Η” is a scale parameter, and is a value that predicts a point of about 63% of the cumulative total number. “Γ” is a position parameter, and is a value for correcting a difference between the opening timing and the origin of a period used for demand prediction.
[0063]
First, the management computer 21 selects an initial value (Top0, m0, η0, γ0) to be used in this processing from among the prepared initial values (S4-1).
Next, the management computer 21 calculates each parameter in the model function of the Weibull growth model using the selected initial value (S4-2). In the present embodiment, a least-squares method is used to determine a parameter that minimizes the sum of squares (Se) of the difference between a received order record and a theoretical value obtained from a function of the Weibull growth model. This sum of squares (Se) is represented by equation (2) shown in FIG. Here, since the model function is nonlinear with respect to the parameter to be estimated, the parameter is determined by using a numerical analysis technique called Newton-Raphson method (Newton-Raphson method). Specifically, from the selected initial values (Top 0, m 0, η 0, γ 0), an iterative calculation of each parameter is performed using the differential coefficient of the sum of squares (Se) to obtain an approximate solution that converges. As a result, a model function having an approximate solution as a parameter is calculated as the cumulative prediction function.
[0064]
If the convergence does not occur, the management computer 21 selects another initial value and performs recalculation.
Then, when the converged approximate solution can be calculated, and when the convergence does not occur even when all the prepared initial values are used, the process returns to the processing in FIG.
[0065]
The processing in FIG. 5 differs depending on whether or not the estimation processing has been performed using the Weibull growth model (S2-5). When an approximate solution is obtained by applying the Weibull growth model (in the case of “Yes” in step (S2-5)), the management computer 21 uses the Weibull growth model using the calculated parameters to generate a trend curve. Is calculated (S2-7). The process of calculating the trend curve will be described later.
[0066]
On the other hand, when it is determined that the order quantity of the service parts has not passed the peak (in the case of “No” in step (S2-2)), the management computer 21 performs the fitting using another model. (S2-6). An application process of another model will be described with reference to FIG. Also in this processing, the transition of the cumulative amount calculated in step (S1-2) of FIG. 4 is used.
[0067]
Here, the management computer 21 applies another model (S5-1). In the present embodiment, as shown in FIG. 8, a "cumulative secondary model", a "cumulative tertiary model", and a "cumulative quaternary model" are used as other models. Here, the “cumulative second-order model”, “cumulative third-order model”, and “cumulative fourth-order model” are second-order, third-order, and fourth-order multiple regression models, respectively. Here, similarly to the processing in step (S4-2), the parameters of the model function are calculated using the least squares method.
[0068]
Then, the management computer 21 performs a process of selecting an optimal model from the prediction models (S5-2). Here, a model function that minimizes the difference between the model function and the actual result is adopted. Then, the process returns to the process shown in FIG.
[0069]
In addition, when the flow level shown in FIG. 5 is low (in the case of “No” in step (S2-3)), or when the solution does not converge when the Weibull growth model is applied (in step (S2-5), “ In the case of “No”, the management computer 21 performs the above-described application processing of another model shown in FIG. 8 (S2-6).
[0070]
The manner in which fitting is performed using the model function in step (S2-4) or step (S2-6) will be described using a cumulative amount transition graph 520 shown in FIG. The cumulative amount transition graph 520 displays a cumulative fitting curve 521 calculated using a model function for the cumulative order result transition 511.
[0071]
Next, the management computer 21 calculates a trend curve (S2-7). Here, the forecasted order quantity per month is calculated by differentiating the model function specified in step (S2-4) or step (S2-6). This situation will be described with reference to an actual order graph 530 shown in FIG. FIG. 14 shows a trend curve 531 in which the predicted order quantity is displayed with respect to the actual order quantity 501. The trend curve 531 is calculated by calculating the slope (differential coefficient) of the cumulative amount transition graph 520 in FIG. After calculating the trend curve, the process returns to the process shown in FIG.
[0072]
Therefore, the management computer 21 performs a periodic fluctuation determination process to determine whether there is a periodic fluctuation in the change in the order quantity of service parts (S1-4). This period change determination process will be described with reference to FIG. In the present embodiment, the determination is made using a known periodogram.
[0073]
First, the management computer 21 calculates the difference between the actual order received and the trend curve (S6-1). Here, a description will be given using, for example, the order result transition 501 and the tendency curve 531 shown in FIG. By calculating the difference between the two, a difference graph 600 shown in FIG. 15 is obtained. The difference graph 600 shows a difference curve 601 in which the difference between the actual order received and the trend curve is displayed every month.
[0074]
Next, the management computer 21 calculates the tuning strength for the calculated difference (S6-2). Here, the tuning strength is calculated for a 6-month cycle or a 12-month cycle using equation (3) shown in FIG. In the periodogram, it is considered that a trigonometric function that oscillates at a certain period (μ) and real data (residual) are synchronized. The statistic considered in this way is called a tuning strength. When the actual data oscillates at the period (μ), the tuning intensity increases, and when the actual data moves completely different from the period (μ), the tuning intensity decreases. Schester's test is used for the test. Specifically, when the tuning strength is larger than the 1% significance point, it is determined that there is periodicity, and the one having the largest tuning strength is used as the cycle. Then, the process returns to the process shown in FIG.
[0075]
When the tuning intensity is greater than the 1% significance point and it is determined that there is periodicity (in the case of “Yes” in step (S1-5)), the management computer 21 performs a process of applying a periodic variation model for predicting seasonal variation. (S1-6).
[0076]
This processing will be described with reference to FIG. First, the management computer 21 performs fitting using a periodic variation model on the transition of the difference between the actual order received and the trend curve (S7-1). Here, the difference calculated in step (S1-4) is used as the difference. In the present embodiment, the “secondary Sin model” of Expression (4) shown in FIG. 10 is applied as a model function of the periodic variation model. Here, “D” is the difference between the actual order received and the trend curve. “X (1-i)” is a continuous month from the open month, and “X (2-i)” is a month indicating January to December. “ProD” is a cycle calculated using a periodogram, and “6” is used for a 6-month cycle, and “12” is used for a 12-month cycle. k1 to k3, d, and C are parameters for fitting. Fitting is performed by changing these parameters. For example, when fitting is performed on the difference curve 601 shown in the difference graph 600, a periodic variation model like a periodic curve 621 shown in FIG. 16 is obtained.
[0077]
Then, the management computer 21 combines the periodic variation model calculated using the parameters specified by the fitting and the trend curve calculated in step (S2-7) to generate a demand forecasting curve (S7-2). . For example, when the periodic curve 621 shown in FIG. 16 is combined with the trend curve 531 shown in FIG. 14, the result becomes the order result graph 630 shown in FIG. In this manner, the demand forecast curve 631 can be drawn with respect to the actual order received 501 and the trend curve 531. As described above, when there is periodicity, a demand prediction model is selected by combining the trend curve and the periodic fluctuation model.
[0078]
Then, when the process of applying the periodic variation model shown in FIG. 10 ends, the process returns to the process shown in FIG. In FIG. 4, when it is determined that the tuning strength is small and there is no periodicity (in the case of “No” in step (S1-5)), the process of step (S1-6) is skipped, and the process of step (S1-6) is skipped. The trend curve calculated in 3) is used as a demand prediction model.
[0079]
(Processing where the actual order period is less than 18 months)
Further, in the case of “No” in the step (S1-1) of FIG. 4, that is, when the actual order period is less than 18 months, the management computer 21 calculates a change in the cumulative order amount (S1-7).
[0080]
Next, the management computer 21 applies another model (S1-8). In the present embodiment, as shown in FIG. 4, "cumulative secondary model", "6-month average model", and "12-month average model" are used as other models here. The cumulative amount transition calculated in step (S1-7) is used when a cumulative secondary model is applied.
[0081]
Here, the “cumulative secondary model” is a secondary multiple regression model. The “six-month average model” is an average value of the latest six months for the order quantity, and the “12-month average model” is an average value of the last 12 months for the order quantity.
[0082]
Then, the management computer 21 performs an optimal model selection process (S1-9). Here, a difference between the fitting result and the actual result is calculated, and a model that minimizes the difference is adopted as a demand prediction model.
[0083]
(Demand forecast output processing)
Then, the management computer 21 predicts future demand using the demand prediction model selected in step (S1-3), step (S1-6) or step (S1-9), and transmits the result to the network. Output to the order receiving system 10 via N (S1-10). By using the demand forecast, the service parts management department can issue an order instruction according to the demand.
[0084]
According to the demand prediction processing of the above embodiment, the following effects can be obtained.
In the above embodiment, the management computer 21 predicts service part demand using the Weibull growth model. The Weibull distribution is a distribution that is not generally used in a growth model, but is a distribution that is widely used when estimating product life in the field of reliability engineering. For this reason, the demand for the service parts to be predicted is closely related to the fields related to the reliability of the product such as the product life and the failure rate. Therefore, the demand for service parts for maintaining the function of the product can be more accurately predicted.
[0085]
In the above embodiment, the management computer 21 predicts the demand for service parts using the Weibull growth model when the actual order period is 18 months or longer. The Weibull growth model is a method of predicting the next order quantity based on past performance, so that more accurate demand forecast can be performed based on a predetermined order performance period.
[0086]
In the above embodiment, the management computer 21 performs demand forecasting using the Weibull growth model when the change in the order quantity of service parts has passed its peak. The Weibull growth model depicts the life cycle of service parts from the start of ordering to the end of ordering. For this purpose, it is predicted how much the final cumulative amount (cumulative upper limit value) will be. In order to predict the cumulative upper limit, it is difficult to predict unless the order quantity of service parts has started to fall after the peak. When the Weibull growth model is applied to a part whose order quantity is increasing, the cumulative upper limit value cannot be predicted, so that analysis may be impossible or an incorrect peak may be given. For this reason, by applying the Weibull growth model when the change in the order quantity of service parts has passed the peak, more accurate demand forecast can be performed.
[0087]
In the above embodiment, the management computer 21 performs demand forecasting using the Weibull growth model when the flow level of service parts is high. Some of the service parts change at various flow levels, from one that flows in units of tens of thousands per month to one that flows only one or two per month. The trend of service parts, which is changing at a low flow level, is unstable and has large fluctuations, which may change the trend of the order volume. For this reason, by applying the Weibull growth model to service parts in which the flow level is high and the order volume is stable, it is possible to perform more accurate demand prediction.
[0088]
In the above embodiment, the management computer 21 performs the peak determination process. In the peak determination process, the management computer 21 calculates a main component of the first principal component and the second principal component by performing a predetermined weighting on the order quantity of each month and summing them. When the factor load 31 shown in FIG. 6 is used as the factor load L1 (i), the first principal component is large for service parts that are decreasing and small for parts that are increasing. When the factor load 32 shown in FIG. 6 is used as the factor load L2 (i), the value of the service part having the convex shape (the mountain shape) of the second principal component becomes large. Then, the management computer 21 determines the progress of the peak by comparing a function value using the calculated first principal component and the second principal component as parameters with a predetermined value. For this reason, the management computer 21 can efficiently determine whether or not the order record has passed the peak.
[0089]
In the above embodiment, when performing the peak determination process, the management computer 21 performs standardization of the actual orders received. Therefore, even when the order quantity is completely different depending on the service parts, the peak determination can be performed on the same scale.
[0090]
In the above embodiment, when the order record of the service parts is less than 60 months, the management computer 21 extends the order record period recorded in the order record data storage unit 23 to 60 months and reassigns it to each month. To estimate the order quantity. For this reason, the factor load 31 and the factor load 32 can be used as the factor loads (L1 (i) and L2 (i)), similarly to the service parts for which the actual orders have been received for 60 months or more.
[0091]
In the above embodiment, the management computer 21 performs the periodic variation determination process to determine whether the order quantity of service parts has a periodic variation. For example, if a periodic variation model is applied to a service part having no periodic variation such as seasonal variation, the predicted value may run away in some cases. For this reason, demand prediction can be performed more accurately. Further, although the calculation load is applied to the application of the periodic variation model, demand forecast can be efficiently performed without applying the periodic variation model to service parts having no periodic variation.
[0092]
In the above embodiment, the management computer 21 determines whether there is periodicity using a periodogram. Therefore, the periodicity can be efficiently determined using the tuning strength.
[0093]
In the above embodiment, the management computer 21 calculates the difference between the actual order received and the trend curve, and applies the periodic fluctuation model to this difference. In this case, a “second-order Sin model” is used as a model function of the periodic variation model. Fluctuations in demand for service parts change according to the order volume. The “secondary Sin model” can express the periodic component while increasing the amplitude of the peak time as compared with the order start time and the order end time of the service part. Therefore, it is possible to more accurately predict the periodic fluctuation of the service parts.
[0094]
In the above embodiment, when the actual order receiving period is less than 18 months, the management computer 21 applies a model other than the Weibull growth model. In the present embodiment, a “cumulative secondary model”, a “6-month average model”, and a “12-month average model” are used. If it is determined that the order quantity of service parts has not passed the peak, an application process for performing fitting using a model other than the Weibull growth model is performed. In the present embodiment, a “cumulative second-order model”, a “cumulative third-order model”, and a “cumulative fourth-order model” are used. These models are also used when the flow level is low or when the solution does not converge when the Weibull growth model is applied. Not all Weibull growth models are applicable to service parts. For service parts for which the Weibull growth model is determined to be unsuitable, a plurality of prediction models different from the Weibull growth model are prepared, so that more accurate demand prediction can be performed.
[0095]
The above embodiment may be modified as follows.
In the above embodiment, the demand forecast of service parts is performed. The target of the demand forecast is not limited to this, but may be any demand relating to the reliability of the provided product, and may be, for example, the amount of work of a service person.
[0096]
In the above embodiment, the periodic variation determination process and the application process of the periodic variation model are performed subsequent to the process of calculating the trend curve using the growth model. Instead of this, the management computer 21 may perform order prediction only by using the trend curve. Thus, the demand prediction can be performed more easily by omitting the processing of steps (S1-4) to (S1-6).
[0097]
In the above embodiment, in the step (S1-8) shown in FIG. 4, when the Weibull growth model cannot be applied, the “cumulative secondary model”, the “6-month average model”, and the “12-month average model” are used. In step (S5-1) shown in FIG. 8, when the Weibull growth model cannot be applied, the "cumulative secondary model", "cumulative tertiary model", and "cumulative quaternary model" are used. Instead, some of these models or other models may be used.
[0098]
In the above embodiment, the management computer 21 sorts the processing depending on whether or not the actual order period of service parts is 18 months or longer. Specifically, the application of the Weibull growth model is considered when the actual order receiving period is 18 months or longer. Instead of this, the order receiving actual period (reference actual period) for considering the application of the Weibull growth model may be changed according to the attribute of the service part. In this case, for example, a database is prepared in which reference performance periods are recorded in correspondence with service part categories and the like. Then, the management computer 21 compares the reference result period with the number of months elapsed from the opening month, and sorts the application process of the Weibull growth model. Although the life cycle may differ depending on the category of the service parts and the like, the demand forecast can be efficiently performed even in such a case.
[0099]
In the above embodiment, the management computer 21 determines whether the Weibull growth model can be applied based on the attribute of the service part. Here, the received order period, presence / absence of a peak, and liquidity are used as attributes. Attributes for determining applicability are not limited to these attributes. Some of these attributes or other attributes may be used.
[0100]
【The invention's effect】
According to the present invention, a demand can be efficiently and accurately predicted by applying a Weibull growth model to a product such as a predetermined service part.
[Brief description of the drawings]
FIG. 1 is a schematic diagram of a system according to an embodiment of the present invention.
FIG. 2 is an explanatory diagram of data recorded in a profile data storage unit.
FIG. 3 is an explanatory view of data recorded in an actual order data storage unit.
FIG. 4 is an explanatory diagram of a processing procedure according to the embodiment.
FIG. 5 is an explanatory diagram of a processing procedure according to the embodiment.
FIG. 6 is an explanatory diagram of a processing procedure according to the embodiment.
FIG. 7 is an explanatory diagram of a processing procedure according to the embodiment;
FIG. 8 is an explanatory diagram of a processing procedure according to the embodiment.
FIG. 9 is an explanatory diagram of a processing procedure according to the embodiment.
FIG. 10 is an explanatory diagram of a processing procedure according to the embodiment.
FIG. 11 is a graph showing a change in order quantity according to the embodiment.
FIG. 12 is a graph showing a transition of an accumulated amount according to the embodiment.
FIG. 13 is a graph showing a change in the cumulative amount according to the embodiment.
FIG. 14 is a graph showing a change in the order quantity of the embodiment.
FIG. 15 is a graph showing a difference between an actual order received and a trend curve according to the embodiment.
FIG. 16 is a graph showing a difference between an actual order received and a trend curve according to the embodiment.
FIG. 17 is a graph showing a change in order quantity according to the embodiment;
[Explanation of symbols]
Reference numeral 20: demand forecasting system, 21: management computer, 23: received order result data storage unit as result data storage means.

Claims

A demand prediction method for predicting demand for the product, using a performance data storage unit and a management computer that record data on the performance change of the provided amount of the product,
The management computer,
Calculating a cumulative transition of the provided amount of the product based on the actual transition recorded in the actual data storage unit;
Calculating a cumulative prediction function by applying a cumulative distribution of a Weibull distribution to the cumulative transition;
Predicting the demand for the product using the cumulative prediction function.

The demand prediction method according to claim 1, wherein the product is a service part for maintaining a function of the product.

The demand forecasting method includes:
3. The demand forecasting method according to claim 1, further comprising a step in which the management computer determines whether or not demand forecast is possible based on the attribute of the product.

Whether the demand forecast is possible or not
4. The demand forecasting method according to claim 3, further comprising a period determination based on a period in which the actual transition of the product is recorded.

Whether the demand forecast is possible or not
The demand forecasting method according to claim 3, further comprising a liquidity determination performed based on the provided amount of the product.

Whether the demand forecast is possible or not
The demand forecasting method according to any one of claims 3 to 5, further comprising a peak determination for determining whether or not there is a peak in the actual transition of the provided amount of the product.

The peak determination is
7. The demand forecasting method according to claim 6, wherein the performance change is performed using a principal component calculated by multiplying the actual change by a predetermined factor load.

The factor loading is
A first factor load for determining an increase / decrease tendency of the performance change;
And a second factor load for determining the concavo-convex tendency of the performance transition,
The peak determination is
A first principal component calculated using the first factor load;
8. The demand forecasting method according to claim 7, wherein the method is performed using a second principal component calculated using the second factor load.

The peak determination is performed on the actual transition of the peak determination reference period of a predetermined length,
8. The method according to claim 7, wherein, when a provision period related to the performance transition is longer than the peak determination reference period, the peak determination is performed on a transition from a recent performance to a time before the peak determination reference period. 8. The demand forecasting method according to 8.

The peak determination is performed on the actual transition of a predetermined peak determination reference period,
If the provision period for the performance transition is shorter than the peak judgment reference period,
The demand forecasting method includes:
The management computer,
Generate an extended transition that extends the actual transition of the providing period to the length of the peak determination reference period,
9. The demand forecasting method according to claim 7, further comprising the step of performing the peak determination on the expansion transition.

A demand prediction program for predicting demand for the product, using a performance data storage unit and a management computer that record data on the performance change of the provided amount of the product,
The management computer,
Means for calculating the cumulative transition of the provided amount of the product, based on the result transition recorded in the result data storage means,
Means for calculating a cumulative prediction function by applying a cumulative distribution of the Weibull distribution to the cumulative transition,
A demand forecasting program for functioning as a means for forecasting demand for the product using the cumulative forecasting function.

The program according to claim 11, wherein the product is a service part for maintaining a function of the product.

The demand forecasting program,
13. The demand forecasting program according to claim 11, wherein the management computer further functions as a unit that determines whether demand forecasting is possible or not based on the attribute of the product.

Whether the demand forecast is possible or not
14. The demand forecasting program according to claim 13, further comprising a period determination performed based on a period in which the performance transition of the product is recorded.

Whether the demand forecast is possible or not
The demand prediction program according to claim 13 or 14, further comprising a liquidity determination performed based on an amount of the product provided.

Whether the demand forecast is possible or not
The demand prediction program according to any one of claims 13 to 15, further comprising a peak determination for determining whether or not there is a peak in the actual transition of the provided amount of the product.

The peak determination is
17. The demand forecasting program according to claim 16, wherein the performance change is performed using a principal component calculated by multiplying a predetermined factor load amount.

The factor loading is
A first factor load for determining an increase / decrease tendency of the performance change;
And a second factor load for determining the concavo-convex tendency of the performance transition,
The peak determination is
A first principal component calculated using the first factor load;
The demand prediction program according to claim 17, wherein the calculation is performed using a second principal component calculated using the second factor load.

The peak determination is performed on the actual transition of the peak determination reference period of a predetermined length,
18. The method according to claim 17, wherein when a provision period related to the performance transition is longer than the peak determination reference period, the peak determination is performed on a transition from a recent performance to a time before the peak determination reference period. 19. The demand forecasting program according to 18.

The peak determination is performed on the actual transition of a predetermined peak determination reference period,
If the provision period for the performance transition is shorter than the peak judgment reference period,
The demand forecasting program,
The management computer,
Generate an extended transition that extends the actual transition of the providing period to the length of the peak determination reference period,
19. The demand prediction program according to claim 17, further comprising a function of performing the peak determination on the expansion transition.